Hispanopedia Wiki
El conteo de multitudes es el acto de contar el número total de personas presentes en un área determinada. A las personas que se encuentran en un área determinada se les llama multitud . El método más directo consiste en contar a cada persona individualmente. Por ejemplo, los torniquetes se utilizan a menudo para contar con precisión el número de personas que acceden a un evento. [ 1 ]
comprensión moderna
Desde principios de la década de 2000, se ha producido un cambio en la comprensión de la expresión "conteo de multitudes". Tras pasar de un método de conteo de multitudes más simple a uno basado en agrupaciones y mapas de densidad, se han introducido varias mejoras en los métodos de conteo de multitudes. El conteo de multitudes también puede definirse como la estimación del número de personas presentes en una sola imagen. [ 2 ]
Métodos para contar multitudes
Debido al rápido progreso de la tecnología y al crecimiento de las CNN (Redes Neuronales Convolucionales) durante la última década, el uso de CNN en el conteo de multitudes se ha disparado. Los métodos basados en CNN se pueden agrupar en gran medida bajo los siguientes modelos diferentes: [ 3 ]
El método de Jacobs
La técnica más común para contar multitudes en protestas y manifestaciones es el método de Jacobs, que lleva el nombre de su inventor, Herbert Jacobs . El método de Jacobs consiste en dividir el área ocupada por una multitud en secciones, determinar el número promedio de personas en cada sección y multiplicarlo por el número de secciones ocupadas. Según un informe de Life's Little Mysteries , las tecnologías que a veces se utilizan para ayudar en estas estimaciones incluyen "láseres, satélites, fotografía aérea, sistemas de cuadrícula 3D, grabaciones de vídeo y globos de vigilancia, generalmente anclados a varias manzanas alrededor del lugar del evento y volando entre 120 y 240 metros (400 y 800 pies) de altura". [ 2 ]
Conteo basado en regresión directa
Este método de conteo de multitudes implica el uso de regresión de características globales de la imagen a la imagen completa. Las características globales de la imagen se refieren a las diferentes propiedades de ciertas áreas de la foto. Por ejemplo, las características globales de la imagen incluyen "representaciones de contorno, descripciones de forma, características de textura". [ 4 ]
Como no se tiene en cuenta la información de distribución de los objetos, la localización de objetos no se puede procesar mediante regresiones. [ 5 ] Además, como este modelo estima la densidad de la multitud a partir de descripciones de patrones de multitudes, ignora los rastreadores individuales. [ 2 ] Esto permite que los modelos basados en regresión sean muy eficientes en imágenes con multitudes; si la densidad por píxel es muy alta, los modelos de regresión son los más adecuados.
Los métodos anteriores de conteo de multitudes empleaban modelos de regresión clásicos. [ 6 ]
Conteo basado en la densidad
Los mapas de densidad de objetos se basan en encontrar el número total de objetos ubicados en un área determinada. Esto se determina mediante la suma integral del número de objetos en esa área. [ 5 ] Debido a que los valores de densidad se estiman a través de valores bajos, el conteo basado en la densidad permite al usuario experimentar las ventajas de los modelos basados en regresión junto con la localización de la información. [ 5 ] La localización de la información se refiere al acto de mantener la información de ubicación.
Reforzar el conteo de multitudes
Para utilizar eficazmente los modelos mencionados, es importante contar con una gran cantidad de datos. Sin embargo, como usuarios, nos vemos limitados a los datos originales. Para compensar esta limitación, recurrimos a técnicas como el recorte aleatorio. El recorte aleatorio consiste en seleccionar al azar subimágenes de la imagen original.
Tras realizar varias iteraciones de recorte aleatorio, las subimágenes se introducen en el algoritmo de aprendizaje automático para ayudar a que este generalice mejor.
Para abordar los problemas relacionados con el conteo de multitudes en áreas de alta densidad, se pueden emplear métodos de conteo basados en la densidad. Estas pirámides de imágenes se utilizan generalmente para el conteo de multitudes en lugares donde las personas se reúnen para realizar rituales o practicar sus creencias religiosas. Esto se debe a que existen diferentes escalas de personas en distintas ubicaciones dentro de la imagen.
Sin embargo, dado que emplear los algoritmos necesarios para las pirámides de imágenes es muy costoso, depender de estos métodos resulta financieramente inestable. Por consiguiente, se pueden utilizar modelos de fusión profunda. [ 7 ]
Estos modelos de fusión profunda emplearán redes neuronales para mejorar la precisión de la regresión del mapa de densidad. [ 8 ] Estos modelos primero marcarán la ubicación de cada civil dentro de la imagen. Luego, los modelos determinarán los mapas de densidad del área utilizando la ubicación, la forma y la distorsión de perspectiva del peatón. [ 8 ] Dado que se realizan muchas iteraciones del algoritmo y procesos de escaneo, el número de personas se cuenta a través de la cabeza de la persona. Esto también se debe a que habrá muchos casos en los que los cuerpos de los civiles se superpondrán entre sí.
Importancia
El conteo de multitudes desempeña un papel importante en la "seguridad pública, el lenguaje de las asambleas y la videovigilancia" [ 9 ] , entre otras cosas. Sin control de multitudes, debido a una mala planificación, pueden ocurrir varios accidentes terribles. Algunos de los más notables son el desastre de Hillborough , que tuvo lugar el 15 de abril en Inglaterra. Otro incidente memorable ocurrió cuando Louis Farrakhan amenazó con demandar a la Policía de Parques de Washington, D.C. por anunciar que solo 400.000 personas asistieron a la Marcha del Millón de Hombres de 1995 que él organizó.
En eventos que se realizan en la calle o en un parque, en lugar de en un recinto cerrado, el conteo de multitudes es más difícil y menos preciso. Para muchos eventos, especialmente mítines o protestas políticas , el número de personas en una multitud tiene un significado político y los resultados del conteo son controvertidos . Por ejemplo, durante las protestas mundiales contra la guerra de Irak, se registraron numerosas manifestaciones con cifras muy dispares ofrecidas por los organizadores, por un lado, y la policía, por el otro.
Referencias
- ↑ "¿Qué son los torniquetes? (con imágenes)" . EasyTechJunkie . Consultado el 11 de octubre de 2022 .
- 1 2 3 Loy, Chen Change; Chen, Ke; Gong, Shaogang; Xiang, Tao (2021). "Conteo de multitudes de grano fino". IEEE Transactions on Image Processing . 30 : 2114– 2126. arXiv : 2007.06146 . Bibcode : 2021ITIP...30.2114W . doi : 10.1109/TIP.2021.3049938 . PMID 33439838 . S2CID 220496399 .
- ↑ Chu, Huanpeng; Tang, Jilin; Hu, Haoji (2021-10-01). "Red piramidal de características guiada por atención para el conteo de multitudes" . Journal of Visual Communication and Image Representation . 80 103319. doi : 10.1016/j.jvcir.2021.103319 . ISSN 1047-3203 . S2CID 241591128 .
- ↑ Lisin, Dimitri A.; Mattar, Marwan A.; Blaschko, Matthew B.; Benfield, Mark C.; Learned-Mille, Erik G. "Combinación de características de imagen locales y globales para el reconocimiento de clases de objetos" (PDF) .
- 1 2 3 Kang, D.; Ma, Z.; Chan, AB (mayo de 2019). "Más allá del conteo: comparaciones de mapas de densidad para tareas de análisis de multitudes: conteo, detección y seguimiento". IEEE Transactions on Circuits and Systems for Video Technology . 29 (5): 1408– 1422. arXiv : 1705.10118 . doi : 10.1109/TCSVT.2018.2837153 . S2CID 19706288 .
- ↑ Delussu, Rita; Putzu, Lorenzo; Fumera, Giorgio (2022). "Conteo de multitudes específico de escena utilizando imágenes de entrenamiento sintéticas". Pattern Recognition . 124 108484. Bibcode : 2022PatRe.12408484D . doi : 10.1016/j.patcog.2021.108484 . hdl : 11584/341493 . S2CID 245109866 .
- ↑ Khan, Sultan Daud; Salih, Yasir; Zafar, Basim; Noorwali, Abdulfattah (2021-09-28). "Una red de fusión profunda para el conteo de multitudes en escenas concurridas de alta densidad" . International Journal of Computational Intelligence Systems . 14 (1): 168. doi : 10.1007/s44196-021-00016-x . ISSN 1875-6883 .
- 1 2 Tang, Siqi; Pan, Zhisong; Zhou, Xingyu (2017-01-01). "Red neuronal convolucional de fusión profunda basada en rango bajo y dispersa para el conteo de multitudes" . Problemas matemáticos en ingeniería . 2017 : 1–11 . doi : 10.1155/2017/5046727 .
- ↑ Chu, Huanpeng; Tang, Jilin; Hu, Haoji (2021-10-01). "Red piramidal de características guiada por atención para el conteo de multitudes" . Journal of Visual Communication and Image Representation . 80 103319. doi : 10.1016/j.jvcir.2021.103319 . ISSN 1047-3203 . S2CID 241591128 .
Enlaces externos
- Salón: "El juego de números en las protestas"
- Podado: Contando multitudes
- Conteo de multitudes: "Una solución moderna para calcular el tamaño de las multitudes"
- Centro de Investigación de Fusión de Datos: "Cómo los parques temáticos se benefician del IoT y el análisis de multitudes"
- "MapChecking: Estimación del tamaño de una multitud utilizando un área delimitada en un mapa"
- Consorcio de conteo de multitudes de la Escuela Kennedy de Harvard
- Multitudes
- protestas
- Métodos de estimación
